diabetic retinopathy
PulseAugur coverage of diabetic retinopathy — every cluster mentioning diabetic retinopathy across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新架构应对糖尿病视网膜病变病灶分割挑战
研究人员开发了一种名为多分辨率特征干的新型深度学习架构，以改进糖尿病视网膜病变（DR）病灶的分割。现有模型面临挑战，因为DR病灶的大小差异很大，而较高的输入分辨率虽然有利于微动脉瘤等小病灶，但可能会影响对出血等大病灶的性能。所提出的架构集成了输入级金字塔和UNet++骨干网络，以并行处理多个尺度，在不丢失上下文信息的情况下有效捕获精细细节。
-
人工智能融合OCT和OCTA图像以改善糖尿病视网膜病变诊断
研究人员开发了一种新颖的跨模态融合技术，结合了光学相干断层扫描（OCT）和OCT血管造影（OCTA）正面图像，以改善糖尿病视网膜病变的诊断。该方法利用双向跨模态注意力网络整合结构OCT数据和血管OCTA信息。在两个数据集上的实验表明，融合方法显著优于仅依赖OCT数据的模型，其中翻译后的OCTA（TR OCTA）显示出与地面真实OCTA相当或更优的结果，并增强了对领域迁移的鲁棒性。
-
RETFound 模型适应性改进，用于糖尿病视网膜病变筛查，并具备不确定性感知能力
本文研究了用于筛查糖尿病视网膜病变的自监督视觉 Transformer 模型 RETFound 的不确定性感知自适应技术。研究在 APTOS 2019 和 DDR 数据集上评估了各种方法，包括贝叶斯最后一层头部和事后校准。虽然不确定性感知方法在提高 APTOS 数据集的敏感性和选择性转诊行为方面显示出潜力，但其有效性在 DDR 数据集上有所下降，凸显了数据集迁移的挑战以及明确的安全覆盖评估的必要性。
-
新方法自动化识别深度学习数据集中的错误标记图像
研究人员开发了一种自动化方法，用于识别深度学习数据集中的错误标记图像，特别是在医学成像领域。该技术分析模型训练过程中损失函数的序列，以标记潜在的错误标签。在糖尿病视网膜病变数据集上的实验表明，该方法能够以较低的误报率识别出75%的故意错误标记图像。纠正这些已识别的标签并重新训练模型，显著提高了准确性，接近完美标记数据集的性能。
-
新AI框架将视网膜图像与糖尿病视网膜病变的全身通路联系起来
研究人员开发了Causal-RetiGraph，一个整合视网膜图像分析与全身通路建模的新框架，以更好地理解糖尿病视网膜病变（DR）。该系统从视网膜血管图、病变证据和生物标志物构建可解释的表型，在DR分级方面取得了高精度。通过将这些视网膜表型与美国国家健康与营养调查（NHANES）的数据联系起来，该框架将HbA1c、尿液白蛋白和血压等关键全身因素确定为DR的重要锚点。分析还强调了糖化-肾脏和糖化-血流动力学通路作为关键介质，提供了对DR…
-
学生寻求改进不一致的糖尿病视网膜病变AI模型的建议
一位计算机工程专业的学生正在寻求改进一个在APTOS 2019数据集上训练的5类糖尿病视网膜病变检测模型的建议。该模型表现出不一致的预测，将中度（Moderate）等类别错误地分类为重度（Severe）或增殖性（Proliferative），并且即使在预测错误的情况下也表现出高置信度，尤其是在训练数据集之外的图像上。该学生已经尝试了各种预训练模型、预处理技术和测试时增强（test-time augmentation），现在正在考虑集成…
-
新的双边缘图增强了可解释的糖尿病视网膜病变分级
研究人员开发了一种新颖的双边缘空间-雅可比图像图，以提高从眼底图像进行糖尿病视网膜病变（DR）分级的可解释性。该方法将每个眼底照片表示为一个图节点，整合了四个不同的数据流：血管信息、病变证据图、对比图像嵌入和形态学生物标志物。该图包含空间边缘以编码血管-病变几何形状，以及雅可比边缘以模拟嵌入-生物标志物敏感性，从而能够超越简单的分类，更细致地理解疾病表现。
-
新的图框架增强了可解释的糖尿病视网膜病变分级
研究人员开发了一种新颖的双边缘空间-雅可比图像图，以提高眼底照片糖尿病视网膜病变分级可解释性。该框架将每个图像表示为一个图节点，整合了血管信息、病变证据图、对比图像嵌入和形态学生物标志物。该系统在可referable DR方面取得了强大的性能指标，包括0.8076的准确率和0.9711的AUROC，并旨在作为生成病变-生物标志物关系假设的工具。
-
新方法将AI不确定性分解为每类贡献
研究人员开发了一种新方法，将贝叶斯深度学习模型中的认知不确定性分解为每类贡献。这种新指标，称为 $C_k(x)$，可以更细致地理解模型的无知，特别是在失败成本不对称的安全关键应用中。通过将互信息（MI）分解为一个按类别加权不确定性的向量，该方法提高了选择性预测的准确性，并与传统的标量MI相比提供了更好的分布外检测。
-
新型VLM增强糖尿病视网膜病变AI可解释性
研究人员开发了HSQ-VLM，这是一种新颖的视觉语言模型，旨在提高AI诊断糖尿病视网膜病变的可解释性。该模型采用新颖的象限分割流程，结合了基于地标的笛卡尔交叉注意力和拓扑潜在分区，将视网膜特征与以中央凹为中心的坐标系统对齐。HSQ-VLM通过解剖学精确地量化病理学来生成精确的自然语言报告，在3500张眼底图像的数据集上实现了高灵敏度的出血和微动脉瘤检测。
-
为视网膜血管分割开发超轻量级AI模型
研究人员开发了LightVesselNet，这是一种新颖的、超轻量级的神经网络，用于分割视网膜血管。该模型包含不到10万个参数，使其适用于部署在资源受限的设备上，如移动筛查工具。尽管体积小，LightVesselNet在五个公共数据集上的表现与大型模型相比仍具有竞争力，有望在临床环境中实现对糖尿病视网膜病变和青光眼等疾病的早期检测。
-
深度学习模型在分析视网膜图像方面展现出潜力
研究人员探索了使用深度学习模型，包括卷积神经网络、视觉Transformer和基础模型，来分析超广角（UWF）视网膜图像。该研究侧重于三个任务：评估UWF图像质量、识别可转诊的糖尿病视网膜病变（RDR）和检测糖尿病黄斑水肿（DME）。通过利用UWF4DR挑战数据集，研究团队在空间域和频率域对各种架构进行了基准测试，并结合了特征级融合以增强鲁棒性，同时使用Grad-CAM进行模型可解释性分析。
-
新框架分析视网膜血管几何形状以检测疾病
研究人员开发了一个名为 BTECF 的新框架，用于分析视网膜血管几何形状以检测疾病。该框架将血管网络抽象为贝塞尔曲线段，从而可以显式地操纵曲度、管径等解剖特征。该系统在糖尿病视网膜病变、缺血性中风和阿尔茨海默病的数据集上进行了验证，证明了其分离血管结构与疾病分类之间因果关系的能力。
-
AI模型提供可解释的糖尿病视网膜病变分级，并附带视觉和文本解释
研究人员开发了一种新的糖尿病视网膜病变（DR）分级方法，该方法将深度学习模型与可解释的解释相结合。该方法使用卷积神经网络（CNN）和Transformer架构，通过加权软投票集成实现了高达0.934的QWK分数。为了实现可解释性，该研究使用Grad-CAM++生成了视觉归因图，并使用视觉语言模型生成了文本解释，旨在从视网膜图像中提供具有临床意义的见解。